1.不同的執行計劃:
Impala:將執行計劃表示為壹棵完整的執行計劃樹，可以更自然地將執行計劃分配給每個Impala執行查詢，而不是像Hive壹樣組合成流水線map-reduce模式，從而保證Impala更好的並發性，避免不必要的中間排序和洗牌。
Hive的執行計劃分為map-shuffle-reduce-map-shuffle-reduce…模型。如果壹個查詢被編譯成多輪MapReduce，會有更多的中間結果。由於MapReduce執行框架本身的特點，過多的中間過程會增加整個查詢的執行時間。
2.不同的數據流:
Impala:通過all，後續節點通過getNext主動向前壹個節點索要數據，這樣數據就可以流回客戶端，只要處理了1條數據，就可以立即顯示出來，而不是等待所有的處理，更符合SQL交互查詢的使用。
Hive:通過推送，每個計算節點在計算完成後主動將數據推送到後續節點。
3.使用的內存不同:
Impala:當內存放不下數據時，會直接返回錯誤，不使用外接內存。黑斑羚的這種用法目前會比較有限，還是配合蜂巢使用比較好。Impala使用網絡在多級之間傳輸數據，執行過程中不會有磁盤寫操作(除了insert)。
Hive:如果在執行過程中所有的數據都裝不下內存，那麽將使用外部內存來保證查詢能夠按順序執行。在每壹輪MapReduce之後，中間結果也將被寫入HDFS。同樣，由於MapReduce執行架構的特性，shuffle進程也會有寫入本地磁盤的操作。
4.不同的日程安排:
黑斑羚:調度是我們自己做的。目前只有壹種調度器，simple-schedule，它會盡量滿足數據的本地性，掃描數據的過程會盡量靠近數據本身所在的物理機。
Hive:任務調度取決於Hadoop的調度策略。